Vale de Catmandu - Vista geral com imagens ópticas - continuação
|  | Classificação não supervisionada de Catmandu | |
Classificação digital
Uma classificação relativamente simples consiste na 'Classificação não supervisionada'. Todos os pixels numa imagem são agrupados num número específico de classes com base na similaridade dos respectivos valores de escala de cinzentos.
Para comparar a nossa classificação desenhada à mão com a classificação não supervisionada, devemos utilizar o mesmo número de classes.
Abre o programa LEOWorks.
Selecciona File>Open. Vai aparecer uma caixa de diálogo.
Escolhe a pasta Catmandu e selecciona as imagens:
Kathmandu_Landsat_2001_Band_1.tif,
Kathmandu_Landsat_2001_Band_2.tif,
Kathmandu_Landsat_2001_Band_3.tif,
Kathmandu_Landsat_2001_Band_4.tif,
Kathmandu_Landsat_2001_Band_5.tif,
Kathmandu_Landsat_2001_Band_7.tif.
Escolhe Multivariate Analysis>Unsupervised Classification e selecciona todas as imagens. Introduz 5 para Nr. of Classes e 10 para Nr. of Iterations. Uma iteração corresponde à repetição de uma sequência de instruções informáticas num número específico de vezes ou até que se verifique uma determinada condição. Guarda a nova imagem como Kathmandu_2001_unsupervised em formato TIFF na pasta Catmandu.
Compara a classificação não supervisionada com a classificação desenhada à mão.
Que elementos da imagem são facilmente identificáveis?
Por que motivo a área edificada de Catmandu não se destaca dos prados e terrenos de cultivo circundante?
Para responderes a esta questão, observa as duas fotografias que apresentam estradas e edifícios no Vale de Catmandu, na cidade de Patan.
Tentemos melhorar a classificação não supervisionada de Catmandu, no sentido de distinguir a área edificada.
A imagem térmica poderá ajudar.
Abre a imagem no LEOWorks.
Como podes ver, os arredores de Catmandu aquecem mais do que a própria cidade e aparecem numa escala de cinzentos mais clara. Este facto é invulgar, uma vez que estamos habituados a que as áreas edificadas sejam mais quentes do que os arredores. Entre os motivos para que se verifique este facto, encontram-se, por exemplo, o trânsito, as fontes luminosas e a indústria. A cidade de Catmandu é menos desenvolvida devido às fontes de calor. Outro ponto a considerar é o facto de a imagem ter sido obtida no Inverno aproximadamente às 10:00, hora local. Observa a imagem à esquerda e explica o que acontece às superfícies em termos de aquecimento. Desenha os raios de luz solar, marca as sombras e as áreas com superfícies de aquecimento elevado e reduzido e explica como Catmandu e os arredores aquecem.
Outra imagem possível seria através do índice NDVI. No entanto, uma vez que estamos a utilizar os dados de 2001 para classificação, não é necessário produzir um índice NDVI de Inverno, devido à ausência de vegetação.
Segue os passos indicados e produz uma nova imagem.
Abre o programa LEOWorks e as imagens
Kathmandu_Landsat_2001_Band_1.tif
Kathmandu_Landsat_2001_Band_4.tif, e
Kathmandu_Landsat_2001_Band_61.tif
Como é evidente, existe um motivo para seleccionar a banda 1 e a banda 4 do LANDSAT para a classificação não supervisionada. Este motivo é explicado no estudo de caso 'Catmandu - Passado e presente - Detecção urbana com imagens ópticas'.
Selecciona Multivariate Analysis>Unsupervised Classification e selecciona todas as imagens. Introduz 5 para a opção Nr. of Classes e 10 para Nr. of Iterations. Uma iteração corresponde à repetição de uma sequência de instruções informáticas num número específico de vezes ou até que se verifique uma determinada condição. Guarda a nova imagem como Kathmandu_2001_unsupervised em formato TIFF na pasta Catmandu.
| | Classificação não supervisionada de Catmandu utilizando uma imagem térmica | |
Na maior parte dos casos, as cores não estão de acordo com os atributos naturais das classes. Normalmente, utilizamos o verde-escuro para florestas, o vermelho para áreas densamente edificadas e o azul para água. Para compreender melhor as classes, alteraremos as cores para outras mais familiares.
Selecciona Image>Add Legend e verifica a combinação de cores e os nomes das classes.
Selecciona Edit LookUp Table e selecciona a cor da classe floresta(sombra).
Altera a cor para verde-escuro. Altera todas as outras cores do mesmo modo.
As áreas de floresta, vegetação, prados e terrenos de cultivo são claramente visíveis. Lembra-te: esta é apenas uma classificação não supervisionada sem qualquer introdução manual adicional.
És capaz de explicar por que motivo a floresta nas áreas montanhosas está dividida em duas cores (classes)? Para responderes à questão, estuda a imagem térmica de 2001.
Que elemento geográfico tem a mesma cor que a floresta montanhosa sombreada? Explica porquê.
Que classes adicionais são agora claramente identificáveis ao comparar as duas classificações não supervisionadas?
O objectivo desta parte do estudo de caso consiste em produzir uma classificação básica, mas correcta. Efectuámos uma classificação manualmente e tentámos efectuar outra digitalmente. No entanto, como foi possível verificar, se não for efectuado qualquer esforço para analisar as imagens de satélite, o resultado não é tão bom quanto seria desejável.
Por isso, tentemos desenvolver algum esforço na classificação digital e experimentar uma classificação supervisionada de Catmandu para ver o que acontece. Lembra-te - pretendemos sobrepor o nosso mapa desenhado à mão com uma classificação digital. Como é evidente, pretendemos que a imagem seja bastante semelhante.
A 'classificação de probabilidade máxima' consiste num método de classificação supervisionada. Esta classificação baseia-se em métodos estatísticos sofisticados. São utilizados campos de formação que representam as diferentes classes de uso do solo. Cada classe de uso do solo tem a sua própria impressão espectral específica. Tem de ser definido pelo menos um campo de formação para cada tipo de cobertura territorial a classificar. O LEOWorks avalia todos estes campos de formação e atribui cada elemento da imagem (pixel) a uma das classes de uso do solo.
Entretanto, agora já és perito em Catmandu, por isso, não deves ter qualquer problema em seleccionar os campos de formação. Mas tem cuidado, quantos mais campos de formação fores capaz de seleccionar para uma classe com a máxima precisão possível, mais preciso será o resultado.
Utilizaremos o espectro completo de bandas do Landsat. Para isso, abre as imagens
Kathmandu_Landsat_2001_Band_1.tif,
Kathmandu_Landsat_2001_Band_2.tif,
Kathmandu_Landsat_2001_Band_3.tif,
Kathmandu_Landsat_2001_Band_4.tif,
Kathmandu_Landsat_2001_Band_5.tif,
Kathmandu_Landsat_2001_Band_61.tif,
Kathmandu_Landsat_2001_Band_7.tif
e para seleccionar os campos de formação
Kathmandu_Landsat_2001_Band_453.tif.
Selecciona (activa) a imagem Kathmandu_Landsat_2001_Band_453.tif e selecciona Multivariate Analysis>Supervised Classification>Select Training Fields.
Selecciona a opção 'Draw Polygon' na barra de ferramentas.
Começa pela floresta. Desenha um polígono na floresta a noroeste e denomina a classe 'Floresta e vegetação'. Desenha outro polígono na floresta a sudoeste e denomina novamente a classe 'Floresta e vegetação'. Desenha mais alguns polígonos em terreno florestal e denomina a classe. Efectua o mesmo com todas as outras classes.
Classes de alto nível
- Rios
- Áreas densamente edificadas
- Áreas menos edificadas
- Pistas de aeroporto
- Floresta e vegetação
- Prados e terrenos de cultivo
Selecciona Multivariate Analysis>Supervised Classification>Maximum Likelihood e selecciona todas as imagens (excepto Kathmandu_Landsat_2001_Band_453.tif).
Define a opção Threshold Value to '5%'.
As cores na classificação terão de ser alteradas.
Choose Image>Add Legend e verifica a combinação de cores e os nomes das classes.
Selecciona Edit LookUp Table e selecciona a cor da classe floresta. Altera a cor para verde-escuro. Altera também todas as outras cores.
Guarda a classificação como 'Kathmandu_2001_maximlike.tif' na pasta Catmandu.
Por que motivo existem algumas áreas não classificadas (brancas) na classificação supervisionada de Catmandu?
Que situações geográficas não estão classificadas?
Em quantas classes separarias a área branca?
Que cores atribuirias a essas classes?
O que aconteceu à classe 'Rios'? Por que motivo essa classe continua não classificada?
| 
